Dosen Pengampu:
Oleh:
Segala puji bagi Allah Tuhan semesta alam yang telah mengutus para Nabi dan Rasul-
Nya kepada umat manusia sehingga kita sebagai umat yang beriman kepada-Nya dapat
memilih jalan yang lurus, jalan yang diridhai Allah SWT. Salam dan rahmat semoga tetap
tercurah kepada junjungan kita Nabi Muhammad SAW beserta keluarga dan para sahabatnya
serta para pengikutnya. Makalah ini akan membahas analisis time series. Semoga dengan
makalah ini para pembaca bisa memahami lebih dalam lagi mengenai materi tersebut. Dan
tentunya makalah ini masih sangat jauh dari kata sempurna. Untuk itu saya memohon kepada
Bapak Prof. Dr. Harun, M.Pd selaku dosen pengampu dalam mata kuliah Statistika ini untuk
memberikan masukkannya demi perbaikan makalah ini di masa yang akan datang.
Demikianlah kata pengantar yang dapat kami sampaikan, mohon maaf jika dalam
penyampaian makalah ini terdapat hal-hal yang salah/tidak berkenan bagi pembaca. Semoga
dapat bermanfaat.
Tim Penyusun,
i
DAFTAR ISI
HALAMAN JUDUL
KATA PENGANTAR..................................................................................................................i
DAFTAR ISI..............................................................................................................................ii
BAB I.........................................................................................................................................4
PENDAHULUAN......................................................................................................................4
A. Latar Belakang................................................................................................................4
B. Rumusan Masalah...........................................................................................................5
C. Tujuan..............................................................................................................................5
BAB II........................................................................................................................................6
PEMBAHASAN........................................................................................................................6
A. Pengertian Analisis Time Series......................................................................................6
B. Jenis-Jenis Time Series...................................................................................................7
C. Multivariat Time Series...................................................................................................8
D. Variasi Kalender..............................................................................................................8
E. Forcasting (Peramalan)...................................................................................................9
F. Autoregressive Integreted Moving Average (ARIMA).................................................10
G. ARIMAX (Autoregresive Integreted Moving Average with Exogenous Variables). 12
H. VARIMA (Vector Autorgresive Integreted Moving Average)...................................13
BAB III.....................................................................................................................................16
PENUTUP................................................................................................................................16
A. Kesimpulan...................................................................................................................16
B. Saran..............................................................................................................................16
DAFTAR PUSTAKA...............................................................................................................17
ii
iii
BAB I
PENDAHULUAN
A. Latar Belakang
Pada umumnya, terdapat tiga jenis data yang tersedia untuk analisis
empiris yakni data cross section, data time series atau data deret waktu, dan
data panel (gabungan data cross-section dan time series). Pemodelan dan
peramalan yang melibatkan penggunaan data cross section telah banyak kita
bahas dalam materi analisis regresi, sedangkan pemodelan dan peramalan
berdasarkan data panel dibahas dalam materi ekonometrika.
Untuk analisis time series atau analisis deret waktu, kita akan fokus pada
pemodelan dan peramalan dengan menggunakan data time series. Dengan
demikian,analisis time series yaitu analisis yang melibatkan penggunaan data
deret waktu atau data time series untuk membuat model yang akan digunakan
sebagai dasar peramalan.
Perlu diketahui bahwa menganalisis data berorientasi waktu dan
meramalkan nilai di masa mendatang dari suatu data time series adalah salah
satu masalah terpenting yang dihadapi analis di banyak bidang, mulai dari
keuangan dan ekonomi, manajemen produksi, analisis kebijakan politik dan
sosial, hingga menyelidiki dampak keputusan manusia dan kebijakan yang
mereka buat terhadap lingkungan.
Akibatnya, ada sekelompok besar orang di berbagai bidang, termasuk
keuangan, ekonomi, sains, teknik, statistika, dan kebijakan publik yang perlu
memahami beberapa konsep dasar analisis time series dan peramalan. Dengan
menguasai analisis time series, kita dapat memahami penyebab yang
mendasari suatu tren atau pola sistemik yang terjadi dari waktu ke waktu.
Dengan visualisasi data, kita dapat melihat tren musiman dan menggali lebih
dalam mengapa tren ini terjadi. Dengan metode time series yang tepat, kita
dapat memprediksi kemungkinan kejadian di masa depan dengan lebih baik.
1
B. Rumusan Masalah
Berdasarkan latar belakang yang telah diuraikan dapat dirumuskan
permasalahan sebagai berikut:
C. Tujuan
Berdasarkan rumusan masalah diatas, adapun tujuannya sebagai berikut:
2
BAB II
PEMBAHASAN
A. Pengertian Analisis Time Series
Time series atau deret waktu merupakan pengamatan satu atau beberapa
variabel yang diambil secara beruntun terhadap interval waktu yang tetap
(Wei, 2006). Pada tahun 1976 George Box dan Gwilyn Jenkins
memperkenalkan analisis time series untuk pertama kalinya. Analisis time
series adalah salah satu prosedur statistika yang digunakan pada peramalan
kejadian di masa depan. Analisis time series menggunakan data yang terpaut
oleh waktu, sehingga korelasi antara kejadian saat ini dengan periode waktu
sebelumnya akan terjadi. Selain berhubungan antara waktu time seris juga
terdapat kemungkinan adanya hubungan antara dimensi lain seperti wilayah
ataupun dimensi lain yang saling berkaitan.
Time series atau runtun waktu adalah himpunan observasi data terurut
dalam waktu (Hanke&Winchern, 2005: 58). Metode time series adalah metode
peramalan dengan menggunakan analisa pola hubungan antara variabel yang
akan dipekirakan dengan variabel waktu. Peramalan suatu data time series
perlu memperhatikan tipe atau pola data. Secara umum terdapat empat macam
pola data time series, yaitu horizontal, trend, musiman, dan siklis (Hanke dan
Wichren, 2005: 158). Pola horizontal merupakan kejadian yang tidak terduga
dan bersifat acak, tetapi kemunculannya dapat memepengaruhi fluktuasi data
time series. Pola trend merupakan kecenderungan arah data dalam jangka
panjang, dapat berupa kenaikan maupun penurunan. Pola musiman merupakan
fluktuasi dari data yang terjadi secara periodik dalam kurun waktu satu tahun,
seperti triwulan, kuartalan, bulanan, mingguan, atau harian. Sedangkan pola
siklis merupakan fluktuasi dari data untuk waktu yang lebih dari satu tahun.
Time series adalah data yang dikumpulkan dalam interval waktu tertentu,
seperti harian, mingguan, atau bulanan. Data ini dapat berupa angka, seperti
data penjualan atau pengeluaran, atau bahkan data non-numerik, seperti data
cuaca atau data saham. Dalam analisis time series, kita mencoba untuk
3
menemukan pola-pola dalam data ini dan memprediksi nilai-nilai di masa
depan.
Analisis time series adalah teknik statistik yang digunakan untuk
menganalisis data time series. Tujuannya adalah untuk menemukan pola-pola
dalam data ini dan memprediksi nilai-nilai di masa depan. Metode yang umum
digunakan dalam analisis time series adalah model ARIMA (Autoregressive
Integrated Moving Average), model regresi, dan model neural network.
4
Deret waktu dikatakan deterministik jika deret waktu bisa diprediksi
dengan tepat. Namun, kebanyakan deret waktu stokastik dengan nilai masa
depan hanya sebagian dipengaruhi oleh nilai-nilai masa lalu. Untuk deret
waktu stokastik biasanya prediksi yang tepat hampir tidak mungkin. Oleh
karena itu, kita harus menganggap bahwa nilai masa datang memiliki
distribusi peluang tertentu dengan berbekal pengetahuan tentang nilai-nilai
masa lalu
D. Variasi Kalender
Model variasi kalender merupakan model time series yang digunakan
untuk meramalkan data berdasarkan pola musiman dengan periode bervariasi.
Di sebagian besar negara-negara Islam, data time series bulanan di bidang
5
ekonomi dan bisnis dapat diketahui dengan dua jenis efek kalender, yaitu efek
hari kerja atau efek hari perdagangan di setiap bulan, yang biasa disebut
sebagai efek perdagangan hari dan efek hari libur seperti tahun baru cina,
natal, dan idul fitri dimana penentuan hari raya tersebut berbeda dengan
kelender Masehi. Indonesia merupakan salah satu negara yang merasakan
variasi kalender terutama saat memasuki tahun baru dan hari raya. Saat tahun
baru dan hari raya kebanyakan masyarakat Indonesia yang bekerja atau
bertempat tinggal di luar kota kelahiraan melakukan tradisi pulang kampung
(Mudik) sehingga kebutuhan transportasi akan meningkat dari biasanya,
sehingga pemerintah atau perusahaan transportasi perlu melakukan evaluasi
dan persiapan untuk kenyamanan penumpang.
E. Forcasting (Peramalan)
Forcasting adalah suatu ilmu yang digunakan untuk meramalkan atau
memprediksi krjadian di waktu mendatang. Peramalan dapat dilakukan
dengan cara institusi subjektif atau dengan model matematis (Heizer &
Render, 2011). Peramalan biasa digunakan dalam hal perencanaan penjualan
ataupun perencanaan pembangunan sbagai tambahan informasi.
Menurut (Ashari, 2012: 14), Jenis-jenis forecasting Dilihat dari segi
waktu, forecasting dapat dibagi dalam tiga jenis, yaitu prediksi jangka panjang
(Long-range forecasting), prediksi jangka menengah (mediun-term
forecasting) dan prediksi jangka pendek (shortterm forecasting).
1. Long-range forecasting
Prediksi jangka panjang umumnya cenderung tidak akurat. Hal itu telah
dibuktikan oleh W. Ascher yang mencoba menguji ketepatan dari prediksi
(sering disebut proyeksi) dalam bidang ekonomi, kependudukan, energi,
transportasi dan teknologi, yang akhirnya membuat ia menemukan
banyaknya bisa, disamping kesalahan-kesalahan yang cukup berarti, mulai
dari angka presentase yang kecil sampai pada presentase yang ratusan.
Kecenderungan dari para pengambil keputusan ialah menginginkan
masukan dari beberapa peramal. Lalu timbul masalah baru, yaitu prediksi
siapa yang akan diikuti.
6
2. Mediun-term forecasting
Prediksi ini biasanya berjangka waktu antara tiga bulan sampai dua tahun.
Prediksi ini biasanya diangkat dari prediksi jangka panjang atau dari
jangka pendek. c. Short-term forecasting Prediksi jangka pendek pada
umumnya masih berpedoman pada perkembangan sekarang karena secara
teoritis gejala-gejala yang terjadi sekarang masih dapat berlaku paling
tidak untuk jangka tiga bulan berikutnya
Dimana:
𝜇 = nilai konstan
𝑍𝑡 = nilai pengamatan pada waktu t
∅p = koefisien orde p
et = nilai galat pada saat ke-t
2. Model Moving Average (MA)
Moving Average biasa disebut rata-rata bergerak adalah deret berkala
pada waktu t yang dipengaruhi dengan galat saat ini dan galat yang
7
terbobot pada historis waktu sebelumnya. Suatu deret berkala dikatakan
mengikuti proses apabila lag-lag pada plot ACF tidak sama dengan nol dan
lag yang signifikan menurun secara eksponensial pada plot PACF
kemudian digunakan indikasi parameter q. Bentuk umum model moving
average orde ke-q atau ARIMA (0,0,q) dapat ditulis sebagai berikut:
Dimana:
𝜃𝑞 = nilai koefisien orde q
𝑒𝑡 = nilai galat pada saat t
3. Model Autoregresive Moving Average (ARMA)
Model peramalan deret berkala jenis ini dapat berbentuk
autogregresive (AR), rata-rata bergerak (MA) atau kombinasi antara
keduanya (ARMA). Bentuk umum model ARMA (p,q) dapat ditulis
sebagai berikut:
Dimana:
∅𝑝 (𝐵) = (1 − ∅1𝐵 − ∅2𝐵 2 − ⋯ − ∅ )
𝜃𝑞 (𝐵) = (1 − 𝜃1𝐵 − 𝜃2𝐵 2 − ⋯ − )
4. Model Autoregressive Integrated Moving Average (ARIMA)
ARIMA (Autoregressive Integrated Moving Average). Model ARIMA
adalah model ARMA (p,q) yang nonstasioner. Model ini membutuhkan
suatu proses pembedaan agar data stasioner. Model ARMA dilakukan
pembedaan dengan ordo ke-d yaitu 𝑍𝑡 𝑑 = (1 − 𝐵) 𝑑𝑍𝑡 sehingga 𝑍1 , 𝑍2 ,
… menjadi deret berkala yang stasioner, maka model ARMA (p,q) menjadi
model ARIMA (p,d,q). Bentuk model umum ARIMA (p,d,q) sebagai
berikut:
∅𝑝 (𝐵)(1 − 𝐵) 𝑑𝑍𝑡 = 𝜇 + 𝜃𝑞 (𝐵)𝑒𝑡 …(2.4)
8
Dimana:
∅𝑝 (𝐵) = (1 − ∅1𝐵 − ∅2𝐵 2 − ⋯ − ∅ )
𝜃𝑞 (𝐵) = (1 − 𝜃1𝐵 − 𝜃2𝐵 2 − ⋯ − ) (1 − 𝐵)
𝑑𝑍𝑡 = pembeda dengan ordo ke-d
𝑒𝑡 = nilai galat pada saat t
Dengan:
Z𝑡: kombinasi linier dari gabungan pengamatan dan sisaan pada waktu-
waktu sebelumnya
X1,t, X2,t, … , Xn,t : variabel dummy hari-hari khusus
𝛽1, 𝛽2, … , 𝛽𝑛 : parameter variabel dummy hari-hari khusus
𝜙 : parameter regresi diri ordo ke-p
𝜃 : parameter rataan bergerak ordo ke-q
𝜙𝑝 (𝐵) : (1 − 𝜙1𝐵 − 𝜙2𝐵 2 − ⋯ − )
𝜃𝑞 (𝐵) : (1 − 𝜃1𝐵 − 𝜃2𝐵 2 − ⋯ − )
9
Pemodelan diatas terdiri dari variabel respon time series dan variabel
dummy yang di bentuk dari variasi kalender. Menurut Lee & Suhartono ,
langkah penyelesaaian analisis pada model ARIMAX adalah sebagai berikut:
1. Menentukan variabel dummy berdasarkan pada variasi kalender
2. Melakukan pemodelan regresi seperti berikut Yt =β0+β 1V1, +β 2V2,t
+…+β pVp,t+wt
3. Memodelkan residual dari hasil model regresi dengan model ARIMA
4. Melakukan pemodelan ARIMAX
5. Mengecek signifikansi parameter
Dimana:
Фp (B) = Ф0– Ф1B – Ф2B 2 -…- ФPBp
Dan
Θp (B) = Θ 0 –Θ 1B - Θ 2B 2 …- ΘPBq
BZt = Zt-1
Dengan:
𝑍̇ adalah vector pengamatan dengan Zt = [ Z1,t, Z2,t,…, Zn,t,] Фp (B) dan
Θq(B) berturut-turut adalah suatu matriks autoregressive dan moving average
polinomial orde p dan q dengan ukuran matrik nonsingular yaitu mxm. Untuk
kasus nonsingular, matriks varians kovarians dari t a adalah definit positif.
Jika q = 0 maka proses menjadi vektor AR (p).
ΦP(B)Zt at …(2.7)
10
jika p = 0 maka proses menjadi vector MA (q)
11
suatu data time series tidak stasioner pada orde nol, I(0), maka
stasioneritas data tersebut bisa dicari melalui order berikutnya
sehingga diperoleh tingkat stasioneritas pada order ke-n (first
difference) atau I(1), atau second difference atau I(2), dan
seterusnya (Purnomo, 2010: 39).
Dimana:
Yt : first difference dari Y
1 : nilai konstan atau intercept
2 : koefisien regresi untuk trend
: koefisien regresi untuk lag Y
: koefisien regresi untuk difference lag Y
ε : error
m : lag
t : waktu
Dengan hipotesis :
H0 : 0 (Terdapat akar unit, variable Y tidak stasioner)
H1 : 0 Tidak terdapat akar unit, variable Y stasioner)
ika t lebih besar dari nilai kritis ADF maka gagal tolak hipotesis nol,
yang berarti terdapat akar unit (data tidak stasioner). Dan jika t lebih kecil
dari nilai kritis ADF maka tolak hipotesis nol, tidak terdapat akar unit (data
stasioner).
12
BAB III
PENUTUP
A. Kesimpulan
Analisis time series adalah metode yang efektif untuk memahami dan
memodelkan pola dan tren dalam data seiring waktu. Analisis time series telah
berhasil mengidentifikasi pola musiman yang ada dalam data, yang dapat membantu
dalam merencanakan dan mengelola kegiatan berdasarkan pola tersebut. Selain tren
dan pola musiman, analisis time series juga mengungkapkan adanya fluktuasi acak
dalam data. Faktor-faktor acak ini dapat mempengaruhi perilaku data dan harus
diperhitungkan dalam analisis dan prediksi. Penting untuk menggabungkan
pengetahuan domain dalam analisis time series. Faktor-faktor eksternal yang tidak
terdapat dalam data time series dapat memberikan pengaruh signifikan pada perilaku
data. Oleh karena itu, pemahaman yang baik tentang konteks domain dapat membantu
dalam interpretasi dan penggunaan hasil analisis time series secara efektif.
B. Saran
Pilih model yang sesuai dengan karakteristik data dan tujuan analisis. Misalnya,
jika terdapat tren atau pola musiman, model ARIMA atau SARIMA mungkin lebih
sesuai. Jika ada faktor eksternal yang signifikan, model regresi linier dengan variabel
dummy dapat dipertimbangkan. Upayakan untuk memiliki data yang lebih lengkap
dan terperinci. Semakin banyak data yang tersedia, semakin akurat analisis time series
yang dapat dilakukan. Analisis time series tidak berhenti setelah model dibangun.
Penting untuk memantau dan memperbarui model secara berkala seiring berjalannya
waktu. Data baru dapat mempengaruhi tren, pola musiman, atau faktor lainnya, dan
memerlukan penyesuaian pada model.
13
DAFTAR PUSTAKA
Ashari. (2012). Penerapan Metode Times Series Dalam Simulasi Forecasting Perkembangan
Akademik Mahasiswa. Stmikakba, 2(1), 9–16.
Geurts, M., Box, G. E. P., & Jenkins, G. M. (1977). Time Series Analysis: Forecasting and
Control. Journal of Marketing Research, 14(2). https://doi.org/10.2307/3150485
Sumarjaya, I. W. (2016). Modul Analisis Deret Waktu. Modul Analisis Deret Waktu, 90.
https://bit.ly/3HB3hjM
https://eprints.uny.ac.id/8326/3/BAB2-06305149010.pdf
BAB II.pdf (unimus.ac.id)
14